最近，幾乎所有人都在問同一個問題：

AI 應用還有沒有價值，OpenAI 和 Anthropic 會不會終結一切？

這個問題背后，其實藏著一種很典型的 AI 焦慮。

很多人現在越來越相信，所有軟件最終都會被模型吞掉。今天是 Codex、Claude Code，明天可能就是更強的新模型。無論你現在做什么應用，都可能被底層模型直接“內置化”，最后失去價值。

昨天，A16Z 合伙人喬·施密特專門寫了一篇文章，討論這個問題。

他認為，大模型確實正在進入應用層，而且會吃掉相當一部分市場。但問題在于，很多人把“AI 應用”理解得太簡單了。真實世界里的企業流程，遠比“一個聰明模型”復雜得多。

即使今天通用模型已經很強，距離真正進入企業核心業務之間，仍然隔著很長一段距離。而這段距離，恰恰也是 AI 應用公司的機會所在。

離模型主航道遠一點

現在的AI應用大致可以分為兩類：

一種，是走在大模型公司正在鋪的“黃磚路”上。所謂“黃磚路”，可以理解為大模型實驗室最自然會進入的方向。

比如，代碼生成、通用辦公助手、文檔總結、圖像生成、通用 Agent。這類產品有一個共同點，它們的核心體驗，很大程度上隨著模型能力提升而提升。

這正是 OpenAI 和 Anthropic 最擅長的事情。

它們掌握模型本身，也掌握分發渠道。更重要的是，它們能夠決定產品的底層架構。比如，采用“模型加工具調用”的方式，讓AI連接 Google Drive、Slack、Salesforce 等常見軟件，再完成搜索、總結、寫作、編程這類橫向任務。

如果一家初創公司也只是接入同樣的模型，連接同樣的軟件，再做一層簡單的智能編排，本質上就是在和大模型公司走同一條路。

問題是，OpenAI不僅有模型、有品牌、有分發，也有更強的定價權。

即便AI應用公司短期做出一個更好用的產品，也很難保證這種優勢能長期存在。因為下一代模型更新后，很多功能可能會直接變成基礎能力。

這也是為什么很多 AI 應用看起來增長很快，但長期風險很高。因為它們離大模型公司的主航道太近。

另一種，是深入那些復雜、垂直、難以標準化的真實業務世界里。

這才是AI應用真正的機會。比如保險、法律、醫療、財務、銷售、客服、供應鏈。這些行業的問題，不是簡單問一句 AI 就能解決的。

因為很多企業今天的運作方式，仍然建立在過去十幾年甚至幾十年的軟件體系上。數據分散在不同系統里，流程橫跨多個部門，中間夾雜著大量人工確認、例外處理和經驗判斷。軟件雖然很多，但彼此之間并不真正連通。

員工每天做的事情，并不是坐在那里等 AI 回答問題，而是在多個系統之間來回切換，復制數據、上傳文件、核對信息、發郵件確認，再根據上下文做判斷。

這才是企業里最真實的工作。

比如一家保險公司，看起來只是“審核保單”，但真正運行起來，背后牽扯到不同地區的監管規則、不同團隊的風險偏好、不同客戶的歷史記錄，以及大量沒有明確寫進文檔里的經驗判斷。

同樣一份材料，在不同公司、不同團隊，甚至不同負責人那里，處理方式都可能不一樣。

這些東西，并不會天然存在于大模型的訓練數據里。

模型可以提供智能，但它并不知道某家公司過去為什么拒絕某類風險，也不知道某個核保員為什么在某個特殊案例里推翻了系統建議。它更不知道一個企業內部那些沒有寫進流程文檔、卻長期影響業務判斷的隱性規則。

這就是垂直 AI 應用的價值所在。

模型能力與真實業務的距離，才是AI應用的機會

從目前看，通用模型和真實業務之間，仍然存在一段很長的距離。這段距離，就是 AI 應用公司的機會。

模型能力與真實業務的距離，主要來自三個層面：

第一層壁壘，來自數據和經驗的積累。

很多行業知識并不在公開互聯網上，更多是在真實工作中不斷沉淀出來的。

一次法律審查為什么被合伙人打回，一份保險申請為什么被升級處理，一個銷售線索為什么最終成交，一個客服問題為什么需要轉人工，這些經驗只有在大量真實流程中反復運行，才會慢慢變成系統能力。

這類數據未必能跨客戶直接復用，但問題類型、處理路徑和異常模式會不斷積累。

做過上百次法律審查的系統，和第一次進入這個行業的新產品，理解問題的深度是不一樣的。處理過上千次保險承保流程的系統，也會更清楚哪些環節最容易出錯，哪些信息最影響最終判斷。

這就是垂直應用公司的學習飛輪。它是在真實生產環境里跑出來的。

第二類壁壘，來自對模型復雜度和成本的管理。

真實業務不會只靠一個最強模型解決所有問題。

如果所有任務都調用最貴的前沿模型，成本很快就會失控。真正成熟的 AI 應用公司，會根據不同任務選擇不同模型。有些復雜判斷交給最強模型，有些批量處理交給中等模型，有些高度重復的任務則可以用更便宜的小模型或微調模型完成。

這件事的關鍵是，判斷每個環節需要用什么樣的模型。這需要對業務足夠熟。

大模型實驗室可以提供通用能力，但它們不可能替每個行業、每家公司、每個工作流都做精細的成本優化和模型調度。

垂直應用公司的機會在于，用更低、更穩定的成本交付具體結果。

第三類壁壘，來自治理和責任。

越是進入企業核心流程，AI 產品對可控性要求就更高。

醫療有隱私和合規要求，金融有監管要求，法律有職業規范，保險也有州級監管和審計要求。

在這些場景里，企業關心的不只是 AI 能不能完成任務，還包括它能訪問哪些數據，能做哪些操作，結果如何記錄，出了問題如何追溯。

這不是一個通用聊天框能解決的事情。它需要把權限、審計、審批、人工介入、操作記錄都放進系統里，讓企業能夠放心使用。

所以在很多行業里，AI 應用公司真正交付的，是一套可被企業接受的運行機制。

銷售就是一個典型例子。表面上看，AI 做銷售很簡單：找客戶、寫郵件、發消息、跟進線索。

但真正做起來，問題會迅速變復雜。

一個潛在客戶到底是不是目標客戶？一家公司的母公司和子公司該怎么識別？CRM 里的數據是不是過時？同一個聯系人過去有沒有被觸達過？某類客戶適合電話溝通，還是適合郵件溝通？

這些細節看起來很小，但它們決定了銷售結果。

如果只是讓一個通用模型寫幾封郵件，價值并不高。真正有價值的，是把客戶篩選、信息補全、背景調研、渠道選擇、話術生成、發送節奏和結果反饋連成一個完整流程。

這時候，AI 才不只是寫作工具，而是進入了銷售團隊的真實工作方式。

時間長了，這套系統就不只是腳本，而會逐漸成為一家公司的運營記憶。

這才是大模型實驗室很難直接拿走的部分。

因為它們可以提供更好的模型，卻很難長期深入每一家保險公司、每一家律所、每一家醫院，去理解它們內部真實而細碎的運作方式。

判斷AI應用價值的三個問題

那么，怎么判斷一家 AI 應用公司是不是在“黃磚路”之外？

可以看三個問題。

第一個問題是，這個任務到底有多復雜。

如果一個產品只是幫用戶在 Google Drive 里搜文件、總結內容，流程很短，結果也比較寬容。即便錯了，用戶可以再問一次。

但如果是根據一家公司的歷史案例做法律審查，情況就完全不同。它可能要調取多個系統的數據，經過多輪判斷，最后還要由合伙人審核，甚至影響真實訴訟結果。

兩者看起來都像“AI 在執行任務”，但難度完全不是一回事。

第二個問題是，它到底是工具，還是系統。

工具只是給現有流程加一點智能，系統則會成為客戶真正工作的地方。

如果客戶離開這個產品，原來的流程就跑不動，或者效率大幅下降，那它更像一個系統。如果某個大模型公司推出類似功能后，客戶可以輕松替換，那它更像一個工具。

AI 應用真正的價值，往往來自成為系統，而不是成為插件。

第三個問題是，客戶到底為什么付錢。

如果客戶只是為通用能力付錢，比如寫得更快、總結得更好、代碼補全更順，那大模型公司遲早會進入。

但如果客戶為具體業務結果付錢，比如銷售線索增加、結賬時間縮短、理賠處理更快、合同審查更穩，那應用公司就有更大的空間。

/ 04 /

總結

未來，大模型公司和 AI 應用公司都會贏。

OpenAI 和 Anthropic 會繼續拿走一大塊橫向市場，因為它們擁有模型、品牌和分發渠道。代碼、寫作、搜索、辦公助手這類通用場景，很自然會向大模型平臺集中。

但這不意味著應用層沒有機會。在更復雜的行業里，模型只是基礎設施。真正決定價值的，是誰能把模型變成可運行、可管理、可持續優化的業務系統。

底層模型可以替換，但企業的工作系統很難頻繁替換。

一家公司一旦把核心流程、歷史數據、審批機制和運營經驗都放進某個系統里，遷移成本就會變得很高。隨著時間推移，這個系統會越來越懂業務，也越來越難被簡單替代。

所以，AI 應用不是沒有價值。

沒有價值的，是那些離大模型公司主航道太近、又沒有真實業務深度的應用。

下一代企業軟件，很可能不會誕生在最顯眼的“黃磚路”上。它會出現在那些復雜、分散、充滿人工流程的行業深處。

那里沒有那么多聚光燈，但有更真實的客戶需求，也有更長期的護城河。

文/阿奇

PS：如果你也在尋找投資AI資產的機會，歡迎掃碼加入我們的交流群。